Analisis Sentimen Masyarakat Terhadap Exchange Tokocrypto Pada Twitter Menggunakan Metode LSTM Public Sentiment Analysis Against Tokocrypto Exchange
on Twitter Using LSTM Method
Green Arther Sandag*1, Jacquline Waworundeng2 Universitas Klabat; Jln. Arnold Mononutu, 0431-891035
12Program Studi Informatika, Fakultas Ilmu Komputer UNKLAB, Airmadidi e-mail: 1greensandag@unklab.ac.id, 2jacquline.morlav@.unklab.ac.id
Abstrak
Internet telah berperan penting dalam mempengaruhi semua aktivitas manusia di era teknologi saat ini. Dengan adanya internet dapat digunakan untuk berbagai tujuan, termasuk berbagi pengetahuan, bertransaksi, bersosialisasi, berbelanja, bisnis, pendidikan, dan banyak hal lain yang dapat dilakukan. Sementara internet semakin populer, berbagai macam transaksi digital terus berkembang, salah satunya yaitu pertukaran koin ke koin lain yang disebut cryptocurrency (mata uang kripto). Cryptocurrency adalah aset digital yang menggunakan kriptografi yang kuat untuk mengenkripsi transaksi keuangan, dan memverifikasi transfer aset.
Salah satu exchange cryptocurrency untuk investasi di Indonesia yaitu Tokocrypto. Dengan begitu ramainya antusias dari cryptocurrency, banyak masyarakat Indonesia menggunakan media sosial seperti Twitter untuk mencari informasi, memberikan pendapat, juga informasi.
Untuk mengklasifikasi tweet publik di Twitter ke dalam kategori positif dan negatif, diperlukan model analisis sentiment. Penelitian ini menggunakan metode Long Short Term Memory (LSTM), dimana LSTM merupakan salah satu pengembangan neural network yang dapat digunakan untuk pemodelan data time series terhadap tweet pengguna Twitter terhadap exchange Tokocrypto.
Didapatkan sebanyak 2022 tweets positif, 1632 tweets negative, dan 1012 tweets netral.
Kata kunci—Internet, Mata Uang Kripto, Investasi, Pertukaran, Tokocrypto, LSTM Abstract
The internet has played an important role in influencing all human activities in today's technological era. With the internet can be used for various purposes, including sharing knowledge, transacting, socializing, shopping, business, education, and many other things that can be done. While the internet is getting more and more popular, various kinds of digital transactions continue to develop, one of which is the exchange of coins for other coins which are called cryptocurrencies. Cryptocurrencies are digital assets that use strong cryptography to encrypt financial transactions, and verify asset transfers. One of the cryptocurrency exchanges for investment in Indonesia is Tokocrypto. With such enthusiasm for cryptocurrency, many Indonesians use social media such as Twitter to find information, provide opinions, as well as information. To classify public tweets on Twitter into positive and negative categories, a sentiment analysis model is needed. This study uses the Long Short Term Memory (LSTM) method, where LSTM is a neural network development that can be used for modeling time series data on Twitter users' tweets against the Tokocrypto exchange. There were 2022 positive tweets, 1632 negative tweets, and 1012 neutral tweets.
Keywords—Internet, Cryptocurrency, Investment, Exchange, Tokocrypto, LSTM
1 PENDAHULUAN
erkembangan zaman yang begitu cepat saat ini membuat semua informasi dapat didapatkan dengan mudah melalui internet. Adanya internet sangat membantu manusia dalam melakukan aktivitas sehari-hari, begitu juga dengan digitalisasi dari sektor keuangan yang mana menerapkan pertukaran mata uang digital atau yang lebih dikenal cryptocurrency (mata uang kripto) sebagai alat investasi yang beresiko tinggi. Perdagangan mata uang digital menjadi terkenal akibat nilai tukarnya yang semakin meningkat. Pertukaran aset mata uang digital di Indonesia terjadi salah satunya di platform exchange Tokocrypto.
Tokocrypto adalah platform cryptocurrency yang menawarkan layanan kepada masyarakat umum untuk membeli dan menjual cryptocurrency. Tokocrypto bertujuan untuk menjadi bursa dalam pertukaran aset digital terkemuka di Asia Tenggara dengan menyediakan platform yang cepat, nyaman, instan, dan nyaman bagi konsumen untuk melakukan transaksi, serta pusa komunitas tempat dunia crypto dapat berkumpul, berbagi informasi dan keterampilan teknologi, dan memperjuangkan ide-ide baru[1]. Exchange (pertukaran) adalah tindakan yang melibatkan penawaran atau penjualan untuk memperoleh intensif yang bernilai serupa untuk mendapatkan sesuatu yang diingikan atau dibutuhkan. Keadaan yang terjadi saat ini berupa kecemasan yang berlebihan dan merasakan ketakutan akan ketinggalan tren yang sedang berlangsung atau sering disebut FOMO (Fear of Missing Out), sehingga banyak masyarakat Indonesia sering menggunakan media sosial seperti Twitter untuk memberikan pendapat terkait kritik, isu, saran, dan opini-opini publik mengenai sebuah tren. Banyak orang yang beramai-ramai mencari informasi untuk mendapatkan keuntungan maksimal terutama menggunakan exchange yang terkenal seperti Tokocrypto. Tokocrypto sendiri telah menyediakan berbagai platform, baik untuk website dan juga mobile sehingga membantu user agar lebih mudah dalam melakukan transaksi. Akibat dari digitalisasi yang begitu pesat terutama adanya mata uang digital resmi yang diluncurkan di Indonesia berupa Toko Token (TKO) yang dimiliki oleh Tokocrypto membuat masyarakat begitu antusias terhadap perkembangan dalam aset digital.
Analisis sentimen, juga dikenal sebagai penambangan opini, adalah metode untuk memahami, mengekstrak, dan menganalisis data tekstual secara otomatis untuk mendapatkan informasi sentimen dari sebuah kalimat, baik positif maupun negatif[2]. Analisis sentimen ini dapat membantu untuk mencari solusi terhadap masalah sebelumnya. Dalam penelitian ini akan digunakan metode Long Short Term Memory (LSTM). Salah satu bentuk RNN (Recurrent Neural Network) adalah LSTM, yang merupakan sistem penyimpanan pola data. Karena LSTM akan mempelajari data mana yang harus disimpan dan data mana yang harus dibuang, serta sangat cocok untuk data teks, video, dan deret waktu. Memori di setiap neuron diatur oleh beberapa gerbang di LSTM [3].
Dalam penelitian [3] mengenai prediksi harga Bitcoin menggunakan metode Long Short Term Memory Neural Network, peneliti membangun sistem yang dibuat terdiri dari Preprocessing Data, inisialisasi parameter, training LSTM Network, komposisi data, jumlah hidden neuron, max epoch, dan melakukan uji terhadap data testing. Pengujian tersebut hasil yang terbaik yaitu dengan komposisi data latih sebanyak 70% dan data uji 30%, parameter 1 pola time series, jumlah neuron hidden 25, max epoch 100 dengan akurasi rata-rata latih 95,36% dan data testing 93,5%.
Penelitian lain [4] yaitu tentang analisis sentimen pada Twitter berbahasa Indonesia dengan metode GloVe (Global Vector). Metode ini menggunakan word embedding yang terkait dengan model LSTM untuk membentuk model analisa sentimen. Training model GloVe menggunakan beberapa dimensi vektor yaitu dimensi 50, 100, 150, 200, 250, 300, dan 350, sedangkan model LSTM digunakan 64 unit LSTM dan dropout 0.5 dengan lapisan aktivasi ReLU 250 unit dan 1 unit aktivasi sigmoid. Hasil terbaik yang didapati untuk performa klasifikasi yaitu dengan tingkat akurasi 73%.
Referensi [5] tentang sentimen masyarakat terhadap Covid-19 di Twitter yang menggunakan algoritma LSTM dan algoritma pembelajaran mesin tradisional. Diperoleh hasil
P
akurasi yang mencapai lebih dari 90%. Pada penelitian ini juga membandingkan dengan algoritma pembelajaran mesin lain seperti Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, dan K-Nearest Neighbor. Hasil akurasi algoritma pembelajaran mesin tradisonal yang paling bagus ada algoritma SVM dengan accuracy sebesar 88%, recall 88% dan precision 88%.
2 METODE PENELITIAN 2.1 Analisis Data
Data untuk penelitian ini berasal dari tweet berbahasa Indonesia di Twitter. Tweet yang digunakan adalah tweet yang mengungkapkan pendapat orang Indonesia tentang exchange Tokocrypto. Total ada 4666 tweet yang digunakan sebagai data. Data dipilih secara manual dari tweet berbahasa Indonesia. Sentimen yang ditemukan di tweet terdapat tiga kategori sentimen yaitu positif, negatif, dan netral.
Tabel 1 Jenis Sentimen
Jenis Sentimen Tweet Positif Negatif Netral
Tokocrypto 2022 1632 1012
Dari tabel diatas, diketahui data yang mengandung kata positif berjumlah 2022 data, data yang mengandung kata negatif berjumlah 1632 data, dan data yang mengandung kata netral berjumlah 1012 data. Data tersebut telah melalui proses preprocessing data dan menghapus tweet yang double.
2.2 Desain Penelitian
Gambar 1 memperlihatkan proses penerapan model LSTM. Dimana proses yang pertama kali dilakukan yaitu mengambil data Twitter (tweet) tentang Tokocrypto, dilanjutkan dengan data preprocessing untuk mengelola data yang ada. Kemudian dataset dilakukan testing dan training sebelum dilanjutkan pada tahap selanjutnya. Penelitian ini menggunakan Lexicon Sentimen terhadap kata positif, negatif, dan netral dari data tweet yang ada, lalu dilanjutkan pada tahap penerapan model Long Short Term Memory. Proses terakhir yang terjadi yaitu akan dibuat modeling dan dievaluasi data yang ada.
Gambar 1 Desain Penelitian
2.2.1 Data Preprocessing
Cleaning data dan data reduction adalah dua bagian dari data preprocessing. Proses pembersihan data yang hilang pada atribut dalam sebuah dataset agar lebih koheren dikenal dengan istilah cleaning data. Sedangkan data reduction adalah cara menghilangkan data dari atribut yang kurang penting dengan tujuan meminimalkan data dengan tetap menjaga keakuratannya. Langkah-langkah dalam Preprocessing :
Step 1 : Menghapus mentions, hastag, RT, link, dan angka.
Step 2 : Membuat semua huruf menjadi huruf kecil.
Step 3 : Memisahkan string menjadi kumpulan token.
Step 4 : Melakukan normalisasi untuk kata alay/slang menjadi kata baku bahasa Indonesia.
Step 5 : Menghapus stopwords.
Step 6 : Membuat semua kata menjadi kata baku.
Step 7 : Menyambung kembali token-token menjadi satu kalimat.
Gambar 2 Proses Data Preprocessing
Pada Step 1 dilakukan dengan menghapus mentions, hastag, RT, link dan angka agar tweets yang nantinya diproses lebih baik, kemudian semua huruf dibuat menjadi huruf kecil, juga memisahkan string menjadi kumpulan token. Pada step selanjutnya setiap kata dinormalisasikan untuk kata-kata alay/slang untuk menjadi kata baku bahasa Indonesia, dan menghapus stopwords, kemudian setiap kata diubah menjadi kata baku. Setelah semua proses sudah selesai, token yang ada itu akan disambung kembali menjadi satu kalimat. Hal ini dilakukan juga agar kata yang akan diproses sesuai dengan ketentuan yang ada. Data preprocessing yang telah selesai didapati sebanyak 4665 data tweets.
2.2.2 Lexicon Sentiment
Lexicon based sentiment classification adalah klasifikasi berdasarkan istilah positif, negatif, atau netral yang digunakan dalam tweet yang sudah dibersihkan. Istilah-istilah dalam kamus lexicon Indonesia sudah dicocokkan dengan klasifikasi ini, dan juga diterapkan slang word dari Twitter COVID-19 Indonesia Sentiment Analysis [6]. Sentimen tweet positif digambarkan sebagai kumpulan tweet yang berisi istilah-istilah positif. Sentimen tweet negatif digambarkan sebagai tweet yang mengandung istilah negatif. Namun, dalam kasus tertentu, jika kedua istilah ini memiliki nilai yang sama, tweet tersebut didefinisikan sebagai netral. Gambar 1 menunjukkan diagram alur untuk klasifikasi ini. Dari 5000 tweet, 2022 sentimen positif, 1632 sentimen negatif, dan 1012 sentimen netral diidentifikasi menggunakan pendekatan Lexicon Based. Pendekatan berbasis lexicon akan digunakan untuk mengklasifikasikan kalimat [7].
2.2.3 Recurrent Neural Network (RNN)
RNN merupakan teknik deep learning yang menggunakan arsitektur neural network untuk merepresentasikan data sekuensial. RNN dapat menyimpan informasi dari keadaan sebelumnya untuk menentukan kemungkinan menghasilkan keluaran berdasarkan keadaan tersebut. Namun, RNN memiliki cacat yang menyebabkannya mengalami gradien lenyap atau gradien yang meledak ketika terlalu banyak urutan yang diselesaikan. Istilah "gradien menghilang atau meledak" mengacu pada situasi di mana nilai gradien mungkin sangat kecil atau nol, serta
sangat tinggi. Hasilnya, metode yang disebut LSTM dibangun untuk mengatasi kekurangan ini dengan memperkenalkan sistem gerbang (Long Short Term Memory) [8].
2.2.4 Long Short Term Memory (LSTM)
LSTM merupakan pengembangan dari model RNN yang juga dapat digunakan untuk mengelola data yang bersifat sekuensial. Pada awalnya dikembangkan oleh Hochreiter &
Schmidhuber (1997) untuk mengatasi permasalahan pada model RNN yakni vanishing gradient [3].
Persamaan variabel LSTM adalah xt sebagai vektor input, Ft sebagai vektor aktivasi forget gate, It sebagai vektor aktivasi input gate, Ot untuk vector aktivasi output gate, Ht untuk vektor hidden state, juga dikenal sebagai unit keluaran dari unit LSTM), Ct untuk state cell vector, dan W-U-b untuk matriks bobot dan parameter vektor bias yang harus diselidiki selama pelatihan.
Berikut ini adalah versi persamaan LSTM yang disederhanakan [9]:
Ft = σg (Wf xt + Uf ht-1 + bf ) (1) It = σg (Wi xt + Ui ht-1 + bi ) (2)
Ot = σg (Wo xt + Uo ht-1 + bo ) (3)
Ct = ft o ct-1 + it o σg (Wc xt + Uc ht-1 + bc ) (4)
Ht = Oto σh (ct ) (5)
Gambar 3 Unit LSTM
2.2.5 Confusion Matrix
Matriks penilaian yang disebut matriks ketidakpastian adalah salah satu cara untuk menguji hasil analisis sentimen. Ada banyak item yang dapat diukur dari hasil klasifikasi analisis sentimen dalam matriks ketidakpastian, antara lain akurasi, presisi, sensitivitas, dan f-score yang merupakan gabungan dari dua uji sensitivitas dan presisi [10], [11], [12].
Tabel 2 Confusion Matrix
Prediksi Positif Prediksi Negatif
Positif TP FN
Negatif FP TN
Tabel 2 menunjukkan contoh tabel matriks ketidakpastian dengan hasil klasifikasi dan nilainya masing-masing, yaitu TP (True Positive), FN (False Negative), FP (False Positive), dan TN (True Negative) (True Negative).
3 HASIL DAN PEMBAHASAN
Tahap pengumpulan data, tahap preprocessing text, tahap klasifikasi, dan tahap validasi adalah beberapa tahapan dalam review ini. Berikut hasil dari setiap tahap yang diselesaikan : 3.1 Pengumpulan Data
Metode yang dikenal sebagai crawling data digunakan selama tahap pengumpulan data.
Bahasa pemrograman Python dan library twint (Twitter Intelligence Tool). Twint adalah twitter scraping yang memungkinkan untuk mengambil tweet dari profil twitter tanpa menggunakan API twitter [13]. Prosedur ini digunakan untuk mengambil data tweet dari pengguna twitter yang memiliki subjek Tokocrypto di dalam profil mereka. Kata kunci ‘tokocrypto’ digunakan untuk mengumpulkan data.
Gambar 4 Tweet Data
3.2 Text Preprocessing
Tahap selanjutnya yaitu text preprocessing, beberapa proses seperti case folding, tokenizing, stopword elimination, dan stemming akan dilakukan pada data yang ada saat ini. Case folding adalah langkah pertama dalam prosedur preprocessing text. Semua huruf besar dalam dokumen akan dihapus mentions, hastag, RT, link, dan angka. Proses penggantian baris baru dengan spasi juga dilakukan, menghapus tanda baca, mengubah semua huruf menjadi huruf kecil, memisahkan string menjadi kumpulan token, menghapus stop words, membuat semua kata menjadi kata baku, dan menyambung kembali token-token kata menjadi satu kalimat.
Gambar 5 Text Preprocessing
Setelah beberapa proses dilalui, akan dilaksanakan penentuan polaritas sentimen dari tweet yang didapatkan menggunakan lexicon sentimen untuk bahasa Indonesia.
Gambar 6 Lexicon Sentimen Bahasa Indonesia
3.3 Analisa dan Eksplorasi Data secara Visual
Proses analisa akan dicari kata-kata yang digunakan oleh Top 10 Tweet yang paling banyak diperbincangkan (berdasarkan jumlah reply). Pertama dibuat salinan dari dataframes tweets, lalu mengurutkan berdasarkan jumlah reply dan mengambil 10 record paling atas.
Gambar 7 Top 10 Tweet Berdasarkan Jumlah Reply
Proses analisa akan dicari kata-kata yang digunakan oleh Top 10 Tweet yang paling banyak diperbincangkan (berdasarkan jumlah reply). Pertama dibuat salinan dari data frames tweets, lalu mengurutkan berdasarkan jumlah reply dan mengambil 10 record paling atas. Setelah mendapat Top 10 Tweet yang paling banyak diperbincangkan, akan dilakukan perbandingan polaritas sentimen pada data tweet “tokocrypto”. Hasil yang didapati sebagai berikut:
Gambar 8 Sentiment Polarity on Tweets Data
Sebanyak 43.3% kata positif, 35.0% kata negatif, dan 21.7% kata netral. Sentimen polaritas tersebut diambil dari total tweet sebanyak 4666 tweets data. Kata-kata yang ada, nantinya akan dikategorikan kembali menjadi Top 10 Positif and Negatif Tweet Sentimen. Word cloud keseluruhan dari representasi visual dari data teks akan ditampilkan untuk memvisualisasikan jenis teks dengan bebas pada Gambar 8. Proses berikutnya akan menampilkan positif dan negatif word cloud.
Gambar 9 Word Cloud of Tweets Data 3.4 Klasifikasi Sentiment Analysis menggunakan LSTM
Jenis dan besaran masukan harus ditentukan dalam proses klasifikasi sentimen model LSTM. Jenis masukan sequence akan digunakan dalam penelitian ini, dan istilah model embedding kemudian akan disematkan di lapisan embedding LSTM di lapisan berikutnya. Pada tahapan ini preprocessing text data dengan LSTM akan digabungkan kembali kata-kata yang sudah di tokenisasi dengan membatasi jumlah fitur sesuai max_features. Didapatkan value
sebanyak (4666, 36). Proses data klasifikasi berikutnya adalah menyandikan (encode) data target ke dalam nilai numerik dan memisahkan data dengan komposisi data train 80% dan data test 20%.
Hasil yang diperoleh yaitu (3732, 36) (3732,) (934, 36) (934,). Lanjutan dari proses sebelumnya yaitu membuat fungsi model dengan nilai hyperparameter default, model KerasClassifier akan digunakan dengan model parameters, yang dimana dropout_rate = 0.4, embed_dim = 64, hidden_unit = 32, optimizers = RMSprop, learning_rate = 0.001, fit parameters dengan epoch = 1500, batch_size = 512, dan memulai data validasi sebesar 10% data train sebesar 0.1. Diperoleh model prediction yang sama dengan model x_train dan y_train sebagai berikut:
Gambar 10 Model Prediction
Setelah itu, kami kembangkan model dan melatihnya kemudian menyesuaikan dengan menggunakan data pelatihan yang dimiliki. Proses memvisualisasikan keakuratan pelatihan dan keakuratan validasi setelah pelatihan selesai untuk mengidentifikasi (‘overfitting’). Overfitting merupakan fenomena dimana model kita akan mempelajari data training dengan tujuan mengoptimalkan nilai akurasi training, daripada mempelajari training secara garis besar. Pada hasil ini terlihat bahwa model yang dibuat ternyata overfitting dilihat dari hasil train accuracy lebih tinggi dengan validation accuracy. Hal ini terjadi karena dataset yang imbalance. Visualisasi model accuracy berupa train dan val accuracy akan ditampilkan setelahnya pada gambar 10.
Gambar 11 Model Accuracy
Tahap terakhir yang akan dilalui yaitu memprediksi sentimen pada pengujian data dengan menggunakan model yang sudah dibuat, lalu divisualisasikan sebuah confusion matrix. Akurasi skor yang diperoleh nantinya akan ditampilkan pada Model Accuracy on Test Data. Setelahnya akan ditampilkan hasil dari sentimen prediksi pada pengujian data pada gambar 12.
Gambar 12 Prediction Sentiment Tweet Data and Visualize a Confusion Matrix
Gambar 13 Result from Prediction Sentiment on Data Test
4 KESIMPULAN
Berdasarkan dari hasil dan pembahasan dalam penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa penggunaan model Long Short-Term Memory (LSTM) bekerja dengan baik dalam mengklasifikasikan jumlah tweets tentang tokocrypto yang ada, juga menggunakan Lexicon Sentimen Bahasa Indonesia untuk diambil kata positif, negatif, dan netral. Dari 5000 tweets yang ada mengenai keyword tokocrypto dalam bahasa Indonesia, ditemukan sebanyak 2022 kata positif, 1632 kata negatif, dan 1012 kata netral.
5 SARAN
Untuk penelitian lebih lanjut di masa mendatang, dapat digunakan berbagai metode klasifikasi dan perbandingan terhadap metode lain, juga algoritma yang lain dalam menemukan algoritma dengan prediksi terbaik terhadap kata-kata positif, negatif, dan netral, serta mengoptimalkan efisiensi dan meminimalkan kesalahan dalam proses pemodelan atau training suatu data.
DAFTAR PUSTAKA
[1] P. Ladita, “Analisis penerapan aplikasi android tokocrypto menggunakan pendekatan design thinking dibantu dengan platform design toolkit v.2,” J. Teknol., 2020.
[2] A. V. Sudiantoro et al., “Analisis Sentimen Twitter Menggunakan Text Mining Dengan,”
vol. 10, no. 2, pp. 398–401, 2018.
[3] M. W. P. Aldi, Jondri, and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,” J. Inform., vol. 5, No, no. 2, p.
3548, 2018, [Online]. Available: http://openlibrarypublications.telkomniversity.ac.id.
[4] D. W. Hariyanto and W. Maharani, “Analisis Sentimen Pada Media Sosial Twitter Berbahasa Indonesia Dengan Metode Glove,” eProceedings …, vol. 7, no. 3, pp. 9711–
9720, 2020.
[5] G. A. Sandag, A. M. Manueke, and M. Walean, “Sentiment Analysis of COVID-19 Vaccine Tweets in Indonesia Using Recurrent Neural Network (RNN) Approach,” 3rd Int.
Conf. Cybern. Intell. Syst. ICORIS 2021, 2021, doi: 10.1109/ICORIS52787.2021.9649648.
[6] A. Bagus Sasmita, B. Rahayudi, and L. Muflikhah, “Analisis Sentimen Komentar pada Media Sosial Twitter tentang PPKM Covid-19 di Indonesia dengan Metode Naïve Bayes,”
J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 3, pp. 1208–1214, 2022, [Online].
Available: http://j-ptiik.ub.ac.id.
[7] G. N. Aulia and E. Patriya, “Implementasi Lexicon Based Dan Naive Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019,” J. Ilm. Inform. Komput., vol.
24, no. 2, pp. 140–153, 2019, doi: 10.35760/ik.2019.v24i2.2369.
[8] R. Majid and H. A. Santoso, “Conversations Sentiment and Intent Categorization Using Context RNN for Emotion Recognition,” 2021 7th Int. Conf. Adv. Comput. Commun. Syst.
ICACCS 2021, pp. 46–50, 2021, doi: 10.1109/ICACCS51430.2021.9441740.
[9] F. Long, K. Zhou, and W. Ou, “Sentiment analysis of text based on bidirectional LSTM with multi-head attention,” IEEE Access, vol. 7, pp. 141960–141969, 2019, doi:
10.1109/ACCESS.2019.2942614.
[10] G. Arther Sandag, F. Gara, and Irfan, “Android Application Market Prediction Based on User Ratings Using KNN,” 2020 2nd Int. Conf. Cybern. Intell. Syst. ICORIS 2020, 2020, doi: 10.1109/ICORIS50180.2020.9320812.
[11] Y. D. W. G. Made, “Optimasi Model Percakapan Bahasa Indonesia Berbasis Sequence To Sequence (Seq2seq),” S1 Thesis , UAJY, pp. 12–22, 2019, [Online]. Available:
https://docplayer.info/57060813-Bab-iii-landasan-teori-a-proyek.html.
[12] A. Giachanou and F. Crestani, “Like it or not: A survey of Twitter sentiment analysis methods,” ACM Comput. Surv., vol. 49, no. 2, 2016, doi: 10.1145/2938640.
[13] “TWINT - Twitter Intelligence Tool.” https://github.com/twintproject/twint.
